Fahrautomation ermöglicht zukünftig innovative Nutzungskonzepte wie geteilte automatisierte Fahrzeuge. Diese eröffnen neue Mobilitätspotentiale, erhöhen aber auch die Komplexität des Teilsystems Fahrzeug.

Während sich die meisten Aspekte fahrbezogener Aufgaben des Menschen durch Automation vereinfachen sollen, können einige Aspekte auch komplexer werden. Dies kann Aufgaben während (z.B. die Fahrzeugbedienung bei ständig wechselnden, unbekannten Fahrzeugen), aber auch außerhalb der eigentlichen Fahrzeugnutzung (z.B. Verkehrsmittelwahl, Buchung geteilter Verkehrsmittel) betreffen.

Bei Bedarf können auch diese Aufgaben einer Aufgaben- und Tätigkeitsanalyse unterzogen werden, beispielsweise um Unterstützungskonzepte herauszuarbeiten.

Wasserstoff-Fahrzeuge werden mit einem anderen Treibstoff und gegebenenfalls auch mit einer anderen Antriebstechnologie (Brennstoffzelle) betrieben. Damit müssen Art und Inhalt der Darstellung betreffender fahrrelevanter Informationen für Manöver- und strategischer Ebene im Zusammenhang mit dem Treibstoff(verbrauch) angepasst werden.

Ein Vorteil von Wasserstoff-Fahrzeugen ist die geringe Geräuschemission. Besonders bei geringen Geschwindigkeiten, bei denen die Abrollgeräusche der Reifen zusätzlich sehr leise sind, könnten durch ein „Überhören“ des Fahrzeugs durch Radfahrende oder Passanten möglicherweise kritische Verkehrssituationen entstehen, die möglichst durch Antizipation durch den oder die FahrerIn vorweg genommen werden sollten. So erhöht sich vor allem in Verkehrsräumen, in denen das Potential für Interaktionen mit verletzlichen Verkehrsteilnehmeden hoch ist (z.B. shared spaces), die Komplexität der Fahraufgabe.

Derzeit ist das Netz von Wasserstoff-Tankstellen noch sehr dünn, was unter bestimmten Umständen die Komplexität der Routenplanung erhöht, die vorrangig der strategischen Fahraufgabenebene zuzuordnen ist.

Wasserstoff ist stark flüchtig und wird mit hohem Druck betankt, wodurch sich das Tanken von Wasserstoff von dem konventioneller Treibstoffe (Diesel, Benzin) unterscheidet. Die veränderte Technologie resultiert sowohl in einer kurzfristige Erhöhung der Komplexität der fahrbegleitenden Aufgabe des Tankens und erfordert auch eine Anpassung und entsprechende Gestaltung der Mensch-Maschine-Schnittstelle.

Durch die starke Flüchtigkeit und hohe Entzündlichkeit von Wasserstoff müssen gegebenenfalls auch die Verhaltensregeln im Fall kritischer Ereignisse, wie beispielsweise bei einem Unfall, auf strategischer Fahraufgabenebene angepasst werden.

Bei Bedarf können auch diese Aufgaben einer Aufgaben- und Tätigkeitsanalyse unterzogen werden, beispielsweise um Konzepte für die Gestaltung der Mensch-Technik-Schnittstelle herauszuarbeiten.

Die Messfahrt enthielt neben vielfältigen Verkehrsszenarien drei zentrale Situationstypen, welche jeweils drei Mal in unterschiedlicher Ausgestaltung durchfahren wurden:

Die drei Situationstypen haben unterschiedlich hohes Potential zur Diskomforterzeugung im vollautomatisierten Fahren (Baseline: niedrig, Spurwechsel und Ampelanfahrt: höher). So sollte bei den Versuchsteilnehmenden eine detektierbare Varianz im Diskomforterleben hervorgerufen werden.

Das multimodale Setup zur Diskomforterhebung enthielt zum einen ein kontinuierliches Selbstauskunftsmaß, zum anderen verschiedene Sensoren zur Erfassung potentieller Diskomfortindikatoren.

Über das Selbstauskunftsmaß wurde die Ground Truth für die Modellbildung erhoben. Dazu wurde ein Handregler (Hartwich et al., 2018) eingesetzt, mit dem die Versuchsteilnehmenden ihr Diskomforterleben über die Fahrt hinweg in Echtzeit zurückmelden konnten (höherer Diskomfort = stärkere Betätigung des Handreglers = höhere Werte auf der Antwortskala):

Potentielle Diskomfortindikatoren wurden über die folgenden Sensoren für Blickdaten, psychophysiologische Daten und den Fahrkontext erfasst:

Prüfung, Bereinigung und Synchronisierung auf Basis der Fahrsimulatordaten (60 Hz)

Umfangreiche Vorverarbeitung von Blickdaten und psychophysiologischen Daten zur Minimierung von Störgrößen (z.B. Messfehlern)

Berechnung neuer Variablen mit hohem indikativen Potential für Diskomfort während der Fahrt

Auswahl zentraler Diskomfortindikatoren:

Zwischenergebnis I: Die ausgewählten Variablen weisen in den Rohdaten ein hohes Maß an Varianz in Bezug auf die ermittelten Diskomfortwerte auf. Es sind keine deterministischen Beziehungen ersichtlich.

Zwischenergebnis II: Mittels der Methode „Polare Fuzzy Partitionierung“ werden in den Daten Substrukturen gefunden, die Zusammenhänge zwischen Indikator-Variablen und Diskomfortwerten aufweisen. Es werden insgesamt vier Diskomfort-Verlaufstypen identifiziert.

Auf Basis der gemessenen Diskomfort-Werte (DW) erscheinen vorerst 10 Abstufungen als sinnvoll.

Die Anzahl der zu modellierenden Klassen (vgl. 2.3) wird damit auf 10 Diskomfort-Klassen mit folgenden Wertebereichen festgelegt: (1) DW < 10, (2) 10 ≤ DW < 20; (3) 20 ≤ DW < 30; … ; (10) DW ≥ 90.

Aufgabe der Versuchspersonen in der KoMTI-Hauptstudie war es:

1. Sich vorzustellen, dass sie einen PKW steuern. Es wurden jeweils 11 Sekunden lange Videosequenzen von Fahrsituationen aus der Fahrersitz-Perspektive präsentiert.
2. Sie erhielten Anweisungen zur Geschwindigkeitsregulation (Einblendung mittels Sprechblasen).
3. Danach sollte über drei Regler die End-, Mindest- und Höchstgeschwindigkeit einstellt werden, mit der die Versuchspersonen die jeweilige Geschwindigkeitsanweisung in der jeweiligen Situation umsetzen würden.

Das nachfolgende Video zeigt einen exemplarischen Ausschnitt der Online-Studie:

Die Rohdaten wurden dazu u.a. durch Boxplots visualisiert und durch die Berechnung von Mittelwerten und Standardabweichungen komplettiert.

Zwischenergebnis:

1. Die für die Bedeutung natürlich-sprachlicher Ausdrücke charakteristische, hohe interindividuelle Varianz ist in den Rohdaten gut ersichtlich.
2. Es ist daher nicht ausreichend, die Bedeutung nur durch statistische Maße oder scharfe Intervalle zu formalisieren.
3. Es werden zur weiteren Modellierung fuzzy Zugehörigkeitsfunktionen genutzt. Dieses Methodik erlaubt eine die differenzierte Betrachtung trotz hoher Datenunschärfe.

Dazu wurden u.a. die Modellvorhersagen mit den Diskomfort-Verläufen verglichen und mittlere Fehler (MF) sowie mittlere absolute Fehler (MAF) bestimmt.

Die mittlere Abweichung über die Gesamtstichprobe (für Beispielszenario Spurwechsel) beträgt für die Trainingsdaten MF = -2,27% bzw. MAF = 17,21% und für die Testdaten MF = -5,42 bzw. MAF = 21,5%.

Die Abweichungen können auch für einzelne Versuchspersonen ermittelt werden. Sie sind in der Abbildung exemplarisch dargestellt.

Die Modellbildung war trotz eingeschränkter Anzahl an Versuchspersonen, die während der Fahrszenarien Diskomfort anzeigten und hoher Datenvariabilität, erfolgreich.

Das gewählte KI-Verfahren Fuzzy Pattern Classification erwies sich hierfür als geeignet, da auch bei verhältnismäßig kleiner Datenbasis und dem Vorhandensein von Unsicherheiten aussagekräftige Modelle gebildet werden konnten.

Die ermittelten Abweichungen zwischen Modell und Daten sind für die Testdaten, die nicht zum Modellaufbau genutzt wurden, erwartungsgemäß etwas höher als die Fehler für die Trainingsdaten, die auf Basis des Gesamtmodells reklassifiziert wurden. Sie können im Kontext der Aufgabe als kleinere bis mittlere Abweichungen interpretiert werden.

Eine Betrachtung der einzelnen Versuchspersonen verdeutlicht, dass das Modell für einzelne Versuchspersonen besser passend ist als für andere. Dies lässt sich mit hoher Wahrscheinlichkeit auf interindividuelle Unterschiede zurückzuführen, die ggf. anhand psychologischer Variablen teilweise weiter aufklärbar wären.

Die Identifikation der Diskomfort-Verlaufstypen bekräftigen, dass zukünftige Modellanpassungen und Optimierungen auch mit Hinblick auf die Einzelversuchspersonenebene getroffen werden sollten und dass eine alleinige Betrachtung der Gesamtdaten möglicherweise für Fragestellungen dieser Art nicht differenziert genug ist.

Optimierungspotentiale der FPC-Modelle bestehen u.a. in der:

1. Nutzung zusätzlicher, aussagekräftiger Diskomfort-Indikatoren
2. Erhöhung, Reduzierung oder variable Anpassung der Anzahl an Diskomfort-Klassen
3. datenbasierten Modell-Optimierung weiterer Zugehörigkeitsfunktionsparameter

Voraussetzungen für die weitere Optimierung sind u.a.:

1. Erhebung weiterer aussagekräftiger Daten
2. Überarbeitung der Fahrszenarien um häufiger und höheren Diskomfort zu erzeugen

Die Zugehörigkeitsfunktionen sind das Ergebnis eines zweistufigen Vorgehens, in dem

1. Versuchspersonen numerische Korrespondenzwerte zu den sprachlichen Ausdrücken schätzen und
2. die entstandenen Daten zum Aufbau formalisierter Modelle der Begriffsbedeutung genutzt werden.

Position, Form und Symmetrie sowie Ausmaß der Überlappungen der Funktionen können inhaltlich transparent interpretiert werden. Dadurch ist das entstandene Modell sehr gut verständlich.

Die Ergebnisse zeigen, dass

1. die Grundgeschwindigkeit als wichtiger Kontextfaktor wirkt und die Bedeutung der sprachlichen Ausdrücke beeinflusst
2. die Erhebungsdesign der Studie deutlichen Einfluss auf die Ergebnisse hat und bei audiovisuell dargestellten Verkehrssituationen (KoMTI-Studie) die Begriffsbedeutungen weniger trennscharf sind. Es ist anzunehmen, dass dies mit der höheren Realitätsnähe in der Darstellung zu tun hat.

die aktuelle Verkehrssituation mit eigenem Fahrzeug sowie in der Umgebung erkannten Verkehrsteilnehmern und verkehrsregelnden Elementen (in Form einer Situationsanzeige)

der Automatisierungsstatus (in Textform sowie durch türkise Hinterlegung des eigenen Fahrzeuges in der Situationsanzeige)

eine Ankündigung des nächsten Fahrmanövers (in Textform sowie als türkise Darstellung in der Situationsanzeige)

Bei Ampelanfahrten ein Ampelphasen-Countdown (in der Situationsanzeige)